効果検証入門から見直す 「データサイエンス」
スポーツメトリクス設計に対比較法を使いまくる / Sports metrics design using pairwise comparison method (spoana#14)
スポーツメトリクス設計に対比較法を使いまくる / Sports metrics design using pairwise comparison method (spoana#14)
0. はじめに 1. 因果推論~施策の本当の効果~ 1.1 TVのCMを見るとアプリのプレイ時間が短くなる！？ 1.2じゃぁ理想的な比較方法は？ 1.3 背景要因を揃えた比較が難しい問題 1.4 反実仮想：仮に「xxxしたら / しなかったら」の効果算出 2. 傾向スコアを用いた効果測定 2.1 絶対にこの条件は守ろう ~ 「SUTVA」/「強く無視できる割り当て条件」~ 2.1.1 SUTVA 2.1.2 強く無視できる割り当て条件 2.1.3 どうやって条件が成り立ってるか確認するの？ 2.2 傾向スコアとは 3. 傾向スコア算出 3.1モデリング 3.2モデルの評価 4. 傾向スコアを用いたマッチング 4.1 マッチングのお気持ち 4.2 様々なマッチング手法 4.3 マッチングのメリット / デメリット 4.4 マッチングの評価 4.5 そもそも傾向スコアをマッチングに用いるべ
0. はじめに 1. 対象データ 2. 先に各手法の結果を確認 3.準備 4. 基礎集計~CMを見た人と見ていない人での目的変数の差~ 5. 因果推論の流れのおさらい 6. 傾向スコアモデリング 6.1 モデリング 6.2 テスト / コントロールの傾向スコアの可視化 6.3Rでの傾向スコアモデリングの実装 7. 傾向スコアマッチング 7.1 結構面倒なpython 7.2 R (Matchingライブラリ) 7.3マッチングの評価 8.IPW 9. ダブルロバスト 9.1 回帰モデル 9.2ダブルロバスト 10.Proximityマッチング 11.改めて、各種手法による推定因果効果のまとめ 12.まとめ 0. はじめに 理論編に引き続き、実装を行なっていきます。 pira-nino.hatenablog.com 実装はpythonとRの両方で行いました。 作業用のコードは以下のgithu
電通デジタルで機械学習エンジニアをしている今井です。 本記事では、BigQueryで傾向スコア分析を行うための方法について紹介します。 広告効果ってあったの？広告効果とは、広告に接触した場合と接触していない場合とのその後のコンバージョン（例えば、購入金額や継続期間など）の差である、と言えます。 しかしながら、同一ユーザーにおいて、広告に接触した場合と接触していない場合とを同時に観測することはできません。 これを反実仮想（counterfactual）と呼びます。 そこで提案されたのが平均処置効果（average treatment effect, ATE）です。 広告に接触したユーザー群（𝑤=1）と接触していないユーザー群（𝑤=0）とのその後のコンバージョン（𝑦 ）の差を広告効果とするものです。 ここで、介入（広告に接触する）の有無以外の条件が公平になるようにユーザー郡が分かれていれ
観察データを用いた因果推論のための分析手法として非常に人気の「傾向スコア(Propensity Score)」法。 「傾向スコアを用いた分析」と言っても、マッチングや重み付けなどその使い方は様々あります。 巷にある因果推論に関する書籍では、傾向スコアを”どうやって使うのか”という視点で各手法の紹介がされていることが多いですよね。 ところが実際にマッチングや重み付けをしてみると、傾向スコアの使い方によって結果が大きく異なることも少なくありません。 このとき、「どちらの手法から得た答えが正しいのか？」と疑問に思うのは自然です。 それに傾向スコアの使い方はたくさんあるので、「そもそも結局どの使い方が一番いいの？」と思う人も多いでしょう。 この記事を読み終わるころには、「そもそもベストな傾向スコアの使い方、正しい使い方はない」ということがわかると思います。 ・傾向スコアという考え方の導入 ・傾向ス
効果測定に潜むバイアスを避けるには？ 広告を正しく評価するための 4 条件 - Think with Google
今の KPI はビジネス成長に貢献しているか？ 「バイトル」が部門横断のデータ整備から真の KPI を問い直す
因果推論研究者と考える、広告効果の本質 | ウェブ電通報
近年、広告施策における効果検証のニーズが高まっています。「本当にこの広告は効果があるのか？」とシビアに問われるようになり、データサイエンスのアプローチを用いた分析を導入する企業も増えています。 その際に問われるのは、データサイエンスの「質」です。より緻密で高度な効果検証を実現するために、どのようなアプローチが必要なのか。本連載では、社内のデータサイエンティストや研究者と共に統計や機械学習を用いた分析・ソリューション開発に注力してきた電通データ・テクノロジーセンターが、広告効果検証におけるデータサイエンスの活用法を紹介します。 初回は電通が長年研究を重ねてきた「因果推論（※1）を用いた広告効果検証」について、アドバイザーを務める慶應義塾大学の中村知繁研究員と、電通クロスブレインの永田大貴氏が語り合います。 ※1 因果推論：統計的なアプローチを用いて施策などの効果を推定する手法のこと。 因果推
はじめに 傾向スコアを用いた解析の代表的な方法の一つとして、個人ごとの傾向スコアの推定値*1による重み付け解析があります。 重み付け解析としては、傾向スコア推定値の逆数で重み付けを行う「逆確率重み付け法(Inverse probability of treatment weighting; IPTW)」が有名で広く利用されていますが、この方法は傾向スコアの推定値に0または1に近いものがあった場合（つまり、重みが非常に大きくなる場合）に、推定のバラツキが大きくなってしまうという難点があります。そのため、例えば極端な重みの値を持つ個人を解析から除外する「トリミング(Trimming)」などの方策がこれまでにも提案されてきました。 一方で最近では、新しいタイプの重み付け手法である「Overlap weighting」が提案されています。この方法については、Liらの2018年の論文（参考資料[1]
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
傾向スコアを用いた因果推論入門~理論編~ - 下町データサイエンティストの日常
傾向スコアを用いた因果推論入門~実装編~ - 下町データサイエンティストの日常
BigQueryで傾向スコア分析｜Dentsu Digital Tech Blog｜note
傾向（プロペンシティ）スコアの各使用法の仮定・解釈の違いを比較してみた - Unboundedly
傾向スコアを用いたOverlap weighting - 統計学入門一歩先へ